OpthaNet:用于高精度多类眼科图像分类的注意力集成架构
Souhardo Rahman1, Md Nasif Safwan1, Mahamodul Hasan Mahadi1
1Department of Computer Science American International University-Bangladesh Dhaka Bangladesh.
Healthcare technology letters
|February 25, 2026
概括
这项研究比较了深度学习模型来分类眼睛疾病,如白内障,糖尿病视网膜病变和绿内障. 优化的模型显示了显著的准确性改进,证明了AI.
科学领域:
- 眼科诊断 眼科诊断 眼科诊断
- 医疗保健中的人工智能
- 医学成像分析分析 医学成像分析
背景情况:
- 包括CNN和变压器在内的深度学习模型越来越多地用于眼科诊断.
- 这些模型用于多类眼病分类的直接比较是有限的.
- 高性能系统通常需要大量的计算资源,这给实际选带来了挑战.
研究的目的:
- 调查和比较预训练深度学习模型的有效性,用于对白内障,糖尿病视网膜病变和玻璃眼多类分类.
- 解决眼科转移学习中的实际瓶,例如特征选择性和有限数据的过拟合.
- 评估针对EfficientNetB3,MobileNetV2和视觉变压器模型的定制修改.
主要方法:
- 评估具有特定定制的EfficientNetB3,MobileNetV2和视觉变压器模型.
- 为EfficientNetB3和MobileNetV2.2实施了注意力增强的功能改进模块和OpthaHead分类器.
- 应用META定制来优化视觉变压器模型.
- 使用眼底图像进行培训和验证,用于对眼部疾病进行多类分类.
主要成果:
- 优化的EfficientNetB3实现了96.04%的准确性,比基线提高了10.84%.
- 优化的MobileNetV2显示了11.26%的改进,平衡精度和计算效率.
- 根据META定制的视觉变压器性能增加了超过18%,这表明在有限的医疗数据上减少复杂性的好处.
结论:
- 人工智能驱动的分类在检测常见的眼睛疾病方面表现出强的表现.
- 量身定制的模型修改可以显著提高眼科诊断的准确性和效率.
- 人工智能工具在早期检测眼病方面具有巨大的潜力,可以改善临床决策和患者的结果.
